[发明专利]一种基于多目标优化的集成即时学习工业过程软测量建模方法

权利要求书

1.一种基于多目标优化的集成即时学习工业过程软测量建模方法，其特征在于，包括以下步骤：

(1)收集工业过程数据D，构建用于软测量建模的数据库，通过对工业过程的机理分析，确定与预测变量y相关的辅助变量X，辅助变量X即输入变量，X＝{x₁,x₂,...,x_M}；

(2)对数据库中的所有样本进行归一化处理，并将其分为训练集D_train，验证集D_validate和测试集D_test，其中训练集D_train用于模型的训练，验证集D_validate用于模型参数的优化，测试集D_test用于模型性能的评估；

(3)采用进化多目标优化方法对训练集D_train中的输入变量和极限学习机模型隐藏层节点数进行优化，剔除冗余或与输出变量弱相关的输入变量，根据优化获得S个Pareto最优解，根据Pareto最优解依次更新训练集D_train中的输入变量，从而获得S个新的训练集并作为新的建模样本数据库；

多目标优化问题描述如下：

min[f₁(x),f₂(x)]

f₁(x)和f₂(x)为两个待优化的目标函数

f₂(x)＝N_hidden×M^*

f₁(x)为验证样本的预测误差，f₂(x)为模型的复杂度，N_val为验证集D_validate的样本数量，为验证集D_validate中第i个样本的预测值，y_val,i为验证集D_validate中第i个样本的真实值，M^*为优化后的输入变量数，的具体计算过程为，将验证集D_validate中的样本依次取做查询样本x_q,i，根据M^*更新查询样本的输入变量，根据欧氏距离相似度从训练集D_train中选择前P个与查询样本的相似样本构建极限学习机模型，获得其预测输出

x为待优化的决策变量，x＝{x₁,x₂,...,x_m...,x_M,N_hidden}，其中x_m表示样本的第m个输入变量，M表示输入变量个数，N_hidden为极限学习机模型隐藏层节点数；lb和ub分别为x的下限和上限约束，A与b为x的不等式约束项；

(4)根据S个新的建模样本数据库更新测试集D_test的输入变量对应获得S个测试样本集，对每个测试样本集中的样本依次取做查询样本，根据欧氏距离相似度从对应的新的建模样本数据库中选择P个相似样本构建局部极限学习机模型，即得到S个局部极限学习机模型，获得测试样本集的预测输出

(5)根据S个新的建模样本数据库更新验证集D_validate的输入变量对应获得S个验证样本集，对每个验证样本集中的样本依次取做查询样本，根据欧氏距离相似度从对应的新的建模样本数据库中选择P个相似样本构建局部极限学习机模型，即得到S个局部极限学习机模型，并对S个局部极限学习机模型进行集成；

(6)对步骤(5)中所得的S个局部极限学习机模型进行修剪，选择预测精度较高的子模型对步骤(4)中的测试样本集构建最终的集成模型；

所述步骤(6)的具体过程为：

(a)对验证样本的PLS模型回归系数的绝对值按大小进行降序排列得到{|β₁|,|β₂|...,|β_S|}；

(b)通过计算局部极限学习机模型的贡献率CP，选择预测效果较优的前S^*个子模型构建集成模型，贡献率CP计算公式为：

其中，|β_S|表示PLS模型第s个回归系数的绝对值，且满足|β₁|≥|β₂|≥…≥|β_S|，当CP≥95％时，停止模型修剪，保存子模型的索引及对应的回归系数；

(c)根据修剪所得的验证样本子模型索引，从步骤(4)中的S个局部极限学习机模型选择S^*个局部极限学习机模型进行PLS集成得到 集成模型。